یادگیری ماشین

مدرس: دکتر مریم رمضانی پیش‌نیاز: ریاضیات هوش مصنوعی و علم داده
ترم: پاییز ۱۴۰۵ محل برگزاری: کلاس مجازی
زمان ارائه: سه‌شنبه ۱۵:۳۰ تا ۱۷:۰۰ مشاهده: دریافت لایسنس

معرفی درس

یادگیری ماشین؛ از مبانی الگوریتم‌ها تا حل مسائل واقعی

یادگیری ماشین یکی از فناوری‌های اصلی هوش مصنوعی است که امکان استخراج الگو از داده‌ها و ساخت مدل‌هایی را فراهم می‌کند که می‌توانند پیش‌بینی کنند، داده‌ها را دسته‌بندی کنند یا ساختارهای پنهان در آن‌ها را شناسایی کنند. این روش‌ها امروزه در حوزه‌های متنوعی از صنعت و کسب‌وکار تا پژوهش‌های علمی کاربرد دارند.

درس یادگیری ماشین با هدف آشنایی نظام‌مند با روش‌های اصلی این حوزه و به‌کارگیری آن‌ها برای حل مسائل واقعی طراحی شده است. در این درس، با دو رویکرد اصلی یادگیری ماشین، یعنی یادگیری باناظر (Supervised Learning) و یادگیری بدون‌ناظر (Unsupervised Learning)، آشنا می‌شوید و روش‌هایی مانند رگرسیون، دسته‌بندی، یادگیری جمعی، کاهش ابعاد و خوشه‌بندی را فرا می‌گیرید.

در کنار شناخت الگوریتم‌ها، بخش مهمی از درس به چگونگی استفاده صحیح از مدل‌ها اختصاص دارد. انتخاب مدل مناسب، تنظیم پارامترها، ارزیابی عملکرد، کنترل بیش‌برازش و بررسی توانایی تعمیم مدل به داده‌های جدید، از جمله موضوعاتی هستند که در این درس بررسی می‌شوند. همچنین، با رویکرد داده‌محور (Data-Centric) آشنا می‌شوید؛ رویکردی که به‌جای تمرکز صرف بر تغییر الگوریتم، کیفیت، آماده‌سازی و ویژگی‌های داده‌ها را نیز در بهبود عملکرد مدل مؤثر می‌داند.

وجه کاربردی درس، پیاده‌سازی مدل‌های مختلف در پایتون و استفاده از کتابخانه‌های یادگیری ماشین برای حل مسائل عملی است. در بخش پایانی نیز با بررسی چند مسئله کاربردی و طراحی خط‌لوله حل مسئله (Pipeline)، فرصت خواهید داشت مراحل مختلف یک راهکار یادگیری ماشین را در کنار یکدیگر به کار بگیرید.

در پایان این درس چه توانایی‌هایی کسب می‌کنید؟

این درس برای دانشجویان، دانش‌آموختگان، پژوهشگران و متخصصانی مناسب است که می‌خواهند مبانی یادگیری ماشین را به‌صورت منظم فرا بگیرند و توانایی خود را در استفاده از این روش‌ها برای تحلیل داده و حل مسائل کاربردی توسعه دهند. آموخته‌های این درس می‌تواند زمینه‌ای برای مطالعه پیشرفته‌تر هوش مصنوعی و یادگیری عمیق و نیز مشارکت در پروژه‌های داده‌محور در حوزه‌های علمی، صنعتی و کسب‌وکار فراهم کند.

پیش‌نیاز

برای بهره‌گیری بهتر از این درس، آشنایی مقدماتی با برنامه‌نویسی پایتون و مفاهیم پایه ریاضی، جبر خطی، آمار و احتمال توصیه می‌شود. تجربه کار با داده‌ها و کتابخانه‌های پایتون نیز می‌تواند به پیاده‌سازی و درک بهتر الگوریتم‌ها کمک کند.

سرفصل‌ها

  1. مقدمه‌ای بر یادگیری ماشین (۱ جلسه)
  2. رگرسیون (۴ جلسه)
    • رگرسیون خطی
    • روش بهینه‌سازی کاهش در راستای گرادیان (gradient descent)
    • رگرسیون غیر خطی
    • منظم‌سازی (regularization)
    • بیش‌برازش (overfitting)
    • اعتبارسنجی (validation) و انتخاب مدل (model selection)
  3. دسته‌بندی (۴ جلسه)
    • درخت تصمیم
    • ماشین بردار پشتیان (SVM)
    • دسته‌بندی احتمالاتی: Naïve Bayes و Logistic regression
    • روش‌های یادگیری مبتنی بر نمونه (Instance-based) نظیر kNN
  4. معیارهای ارزیابی کارایی دسته‌بندی و رگرسیون (۱ جلسه)
  5. یادگیری جمعی (۲ جلسه)
    • رویکرد bagging: روش Random Forest
    • رویکرد boosting: روشهای boosted trees نظیر xgBoost
  6. کاهش ابعاد (۲ جلسه)
    • روش PCA
    • روش SVD
  7. خوشه‌بندی (۲ جلسه)
    • روش K-means
    • خوشه‌بندی سلسله‌مراتبی
    • ارزیابی خوشه‌بندی
  8. تکنیک‌های عملی حل مساله (۲ جلسه)
    • طرح چند مساله کاربردی و ارائه پایپلاین حل مساله

ارزیابی

منابع

  1. C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  2. A. Ng. Machine Learning Yearning. 2018.
  3. T. Mitchell. Machine Learning. MIT Press, 1998.
  4. K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  5. T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, 2008.